вторник, 10 марта 2009 г.

Применение сигмоида к нормальному распределению [090310_04]


Взят случайный сигнал с нормальным распределением (левый верхний график). Распределение для него показано рядом (правый верхний график). К сигналу применено сигмоидное преобразование (левый нижний график). В результате имеем более красивое распределение близкое к равномерному (правый нижний график).

См.: Сигмоид, Относительное изменение

Применение сигмоидного преобразования к относительному изменению [090310_03]


В данном эксперименте к относительному изменению курса закрытия (левый верхний график) применено сигмоидное преобразование (левый нижний график). Для обоих рядов показана гистограмма распределений.
Для исходного ряда показано стандартное отклонение. Вычисления производились для курса закрытия Лукойл за последние 1000 дней.
Из распределений видно, что после преобразования данные имеют вид более похожий на равномерный.

См.: Сигмоид, Относительное изменение

Сигмоид

Сигмоид - математическое преобразование приводящее нормально распределенные данные к равномерному виду.

Приведение к равномерному распределению используется в предобработке данных перед подачей сигнала на нейронные сети.

Теория:
http://www.intuit.ru/department/expert/neurocomputing/7/3.html

Эксперименты:
Применение сигмоида к нормальному распределению [090310_04]
Применение сигмоидного преобразования к относительному изменению [090310_03]

Применение относительного изменения к котировкам ММВБ [090310_02]


В данном эксперименте берем 1000 последних дней закрытия курса Лукойл. На верхнем левом рисунке представлен его график. Справа сверху представлена гистограмма распределения этого курса.
Ниже представлен график относительного изменения курса и его гистограмма. Как видно из результатов, гистограмма относительного изменения близка к нормальному виду.

См. Относительное изменение

Относительное изменение

Относительное изменениеметод математического преобразования абсолютных значений временного ряда. Используется при прогнозировании временных рядов.

{dC_{t}} = {\frac {c_{t+1}-c_t} {c_{t-1}}}

где: ~C_t - абсолютное значение ряда в точке ~t, ~{dC_{t}} - относительное изменение в точке ~{t}.

Эксперименты:
Применение относительного изменения к котировкам ММВБ [090310_02]

Ссылки:
http://ru.wikipedia.org/wiki/Относительное_изменение

Влияние на норму box-counting кол-ва тестов и разбиений [090310_01]


В данном эксперименте исследуем зависимость нормы box-counting от количества разбиений и количества тестовых примеров.
Не трудно заметить, что имеем растущую зависимость от обоих параметров.
Для разных функционалов зависимость находится на разных уровнях.
Чем сильнее зависимость, тем выше находится поверхность.
Ни каких экстремумов не наблюдается. Так что для простоты вычислений для выбранных функционалов разбиения и кол-во примеров можно большие не выбирать.
В данном эксперименте разбиения брались до 200, а количество примеров до 1000.

Дополнительно были расширены диапазоны разбиений и кол-ва тестов до 2000. Было замечено неограниченное возрастание нормы box-counting при возрастании кол-ва примеров и ограниченное возрастание при росте кол-ва разбиений. Это можно видеть на растущих линиях вдоль оси test_cnt (количество примеров) и почти горизонтальных линиях вдоль оси N (кол-во разбиений).
Значит предел нормы определяется количеством примеров.

См. Метод box-counting

Влияние кол-ва разбиений на норму box-counting [090304_02]


В данном эксперименте исследуем норму box-counting в зависимости от количества разбиений для различных функционалов.
В пределе (стремлении кол-ва разбиений к бесконечности) нормы водят к одинаковому значению. Но там где зависимости слабее графики проходят ниже.
Чем меньше разбиений тем ниже значение нормы. Напрашивается вывод о несущественности кол-ва разбиений. Для выбранных функционалов лучший можно выбирать при любом значении разбиений. Для простоты расчетов кол-во разбиений лучше брать малым.

См. Метод box-counting